决策树和相关性 |
您所在的位置:网站首页 › 人工降雨的原理和条件 › 决策树和相关性 |
分类 分类,指的是根据事物特征,推测类别的过程。 特征是我们观察到的现象,或者是已知的数据。 类别是我们根据特征,将事物做分类的结果。 分类结合人工智能技术,可以实现很多厉害的效果!比如,结合图像处理,可以在海量照片中找到风景类图片;结合语音识别,可以快速分辨说话的人是中国人还是外国人。。。。 决策树决策树决策树是一种解决分类问题的经典方法。 基本步骤观察数据,选取特征创建决策树测试决策树相关性定义相关性可以理解是选取的特征对分类结果的区分程度 相关性越高,说明选取的特征对结果分类的效果越好。 在创建决策树时,我们要优先选取相关性更高的特征。 计算相关性corr( )函数 作用: 计算两列数据的相关性。corr是单词correlation的缩写,是相关、关联的意思。 找到相关性最高的特征 相关性的正负当特征不止一个时,可以分别计算每个特征与结果的相关性,通过比较相关性的大小,找到合适的特征。 import pandas 一组数据.corr(另一组数据) 注:数据需要是pandas库的数据格式 corrl计算出的相关性在-1到1之间,它能告诉我们两个信息: 数字表示相关性的大小,前面的符号表示数据变化的方向。 当两组数据的相关性是正数时,我们也说这两组数据是正相关的;当两组数据的相关性是负数时,我们也说这两组数据是负相关的。 相关性的正负,反映的是两组数据变化的方向是不是一样,并不表示相关性的大小。即使相关性是一个负数,两组数据的相关性也可能非常高。 比较相关性时,不需要考虑正负,只比较后面数字的大小就可以了。 正解率决策树在做分类的时候,结果不一定都是正确的。使用正确率可以用来衡量决策树的好 坏。正确率越低,证明决策树的分类效果越差。决策树的正确率很难达到100%。 在计算正确率的时候,后面会乘以一个100%,这是因为正确率的结果需要用百分数来表示。 在生活中,很多时候都用到了百分数,比较饮料中标注的果汁含量42%,就是用百分数表示的,如果写成分数就会很难懂。 调参提高正确率找到正确率最高的分界值 预测是否偶遇风回老师时,根据温度和天气构造两层決策树,其中对于温度这个特征,选择不同的分界值,决策树的正确率不同,需要通过不断调整和尝试,找到使決策树正确率最高的分界值。 读取数据py import pandas f = pandas.read_csv('EFE.csv') hard = f['硬度'] print(hard)readcsv()后面的小括号中填写的是csv文件的路径。 变量f中存储的是文件中的数据 使用f[‘硬度’]得到硬度这一系列的数据。 应对无数可能的决策树根据降水量预测洪水,未来的降水量是不确定的,这意味着特征数据有无数种可能,所以创建的决策树需要能够应对所有情况。这种时候,要把数值划分到不同的范围中,根据数值范围进行分类。 数据排序数据按某列排序 sort_values()可以对数据排序,括号中填写列名就会把数据按照这一列排序。 import pandas 数据.sort_values(列名) 两层决策树两层决策树零件数据中有硬度和密度两个特征,只使用硬度构造一层決策树,正确率较低,想要提高正确率,可以继续使用密度构造两层决策树。 py def tree(hard, density): if hard == 10: if density == 5: return 1 else: return 0 else: if density == 8: return 1 else: return 0如何构造两层决策树提取满足条件的数据变量data中存储了文件中的数据 data[data[‘硬度’]]==10] 取出所有硬度为10的数据。 训练数据训练数据既要有特征,又要有分类结果。 只有给人工智能包含特征和分类结果的数据,它才能找到数据中的规律,创建出决策树。 训练数据既要有特征又要有分类结果,如果把分类结果从训练数据中取出来,只留下包含各种特征的数据,它就可以用来测试人工智能创建的决策树的正确率。于是我们给它取了一个新名字,叫做测试数据。 人工智能建立决策树人工智能建立决策树和人建立决策树对比 使用人工智能建立决策树并调用服务。 使用人工智能建立决策树进行信号灯颜色识别的过程 json格式与解析json格式服务返回的结果通常是json格式的,json格式看起来很像字典,都是以键值对的形式存储数据。但它不是字典,如果要解析json格式的数据,需要先将它转换成字典。 将json格式的数据转换成字典观察数据按照字典取值的方式取出想要的结果那年 • 这天 2011年 脐带血 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |